湿指纹识别技术 – 机遇与挑战并存

  这是一篇湿指纹识别的论文，IEEE收录，论文名字为   Wet Fingerprint Recognition: Challenges and Opportunities，第一篇译文，翻译的不是很好请见谅哦。

 湿指纹识别技术– 机遇与挑战并存

             PrasannaKrishnasamy, Serge Belongie and David Kriegman

University of California, San Diego

摘要

当手指浸入水中后常常会在表面形成一些褶皱。而这些起褶皱的指纹用在指纹识别时效果很不理想。到目前为止，褶皱对于指纹识别的影响还未被人们很好的认识。在这篇论文中，我们展示了一份关于因褶皱而引起的指纹扩张是如何影响采集的指纹和定性描述其影响的研究。另外我们还介绍了“湿指纹”数据库（WWF database），这有助于后来的研究者对其进一步的研究调查。在这个数据库的300枚指纹中有185枚是浸没在水中后产生清晰褶皱的指纹，还有多幅图像是干燥的指纹和在水中浸泡过的指纹。

在这篇论文中，我们使用两种算法计算出了在WWF数据库中的最低识别率 – 一种是商业性质的指纹识别算法，另一种适合公众使用的Bozorth3 匹配算法。特别的，我们还展示了这两种算法分别用在干指纹- 干指纹验证和干指纹-湿指纹验证时精确率后者较低。另外，我们还以不同手指作为基准并且记录下了他们之间的精确差别分析比较了在手指都浸湿的环境下推荐使用哪只手指。最后我们还提出了一种可以判断输入指纹序列是否是褶皱类型的应用场景。

 

 图 1：此图为浸入水之后的手指，其并未

完全按压在模版上，而是隔了一小段距离

1.     简介

指纹识别是一个十分值得研究的问题，有许多很成功的方法在例如对 “指纹验证大赛（FCV）--2002,2004,2006” 中提供的一些不理想的指纹都能有小于5%的等错率在理想干燥环境下表现优异对生物特征系统在处理一些有约束的条件下至关重要。其中一个还在初步阶段的研究领域是手指长时间暴露在水中导致皮肤表面起褶皱。许多应用程序包括了访问控制，取证，安全等的功能。Fakourfar et al.[8]向我们展示了在某些方面（尤其一些商业用途识别算法）湿指纹会引起识别效率的降低。在这篇论文中我们将会对这个问题做进一步的分析并提出解决此问题可能存在的解决办法。

虽然指纹起褶皱的原因还未被人们完全发现，但是现在有一些关于褶皱起源的理论.一些理论声称皮肤起褶皱是因为暴露在外层的无毛皮肤缺少皮脂腺[2].近期一些研究表明血管收缩会降低细胞肿胀（手指纸浆压力）并且能有效的减少体积而产生褶皱。图1为在空气中高度收缩的手指。湿指纹识别还面临着相当多的挑战和困难。首先，现在广泛使用的传感器是基于电容成像或受抑全内反射率（FTIR），它们在潮湿的情况下并不可靠，即便是经过10-15分钟的烘干过程。所以需要使用多光谱传感器这样的合适的传感器。随着大范围可见褶皱，皮肤表面总是会有不等距变形。也就是说皮肤某些地方扩张而某些地方收缩，因此皮肤上的某些核心特征点就会改变。当湿指纹暴露在空气中时，皮肤表面形状就会因为褶皱而发生变化。一种可能的办法是当手指按压在传感器表面上时，指纹会恢复原始平坦的形状。不幸的是，与干手指相比按压在传感器上的湿指纹特征分布点有一定的区别。而这种情况当手指按压在塑料材质的传感器压板上时会更为严重[5][14].。我们并不着手处理手指的哪些部位会因为汗而潮湿，因为这个大部分会影响FTIR和电容式传感器的成像质量。这种情况应该划分为第三特征（如毛孔等高分辨率传感器下观察到的特征）。

由于先前还没有公开可获得的起褶皱而潮湿的指纹数据库，并且之前只有很少先驱研究有少量的湿指纹[8],我们建立了自己的数据库，在这篇论文中我们会介绍这个湿指纹数据库（WWF）来检验手指的褶皱现象，并且我们还会公开这个指纹数据库以便其他学者的研究。在这篇论文中我们通过定性观察和定性评估来为我们的将来工作奠基。我们采用了商业用途的指纹识别算法和公之于众的Bozorth3算法来进行细节特征点的提取、匹配和评分。由于我们并没有假设哪些情景下使用者会使用湿手指，我们将精力集中于与其中之一的干手指进行比较。为今后工作奠基，我们考虑了两种手指都是干燥并且和一只手指干燥而另一只潮湿进行了比较。我们将褶皱最严重的指纹区分开来并且仅仅将它们作为研究使用，交替使用湿的和起褶皱的指纹。我们的目的是在现有的技术上使用一个模型能发现在特定手指上的褶皱从而提高指纹识别率。

 

2.     相关工作

  Fakourfar et al.[8]等人研究了湿指纹识别技术的性能。他们数据库中的指纹是将右手浸泡在充满水的手套水中大约30分钟而得出的。这个过程不能保证一定产生褶皱，因为尽管长时间暴露在水中也不一定能产生褶皱或者30分钟对于产生褶皱而言还太短。在与原作者进行交流过后，我们得知侵泡在水中的时间并不固定并且他们也未将褶皱的数量记录下来。所以在他们的实验估计中包括了轻微起褶皱的指纹和起褶皱的指纹。在WWF数据库中，为了提高起褶皱的效果我们使用了加热系统和固定8.1的PH值.这些是水扩散至皮肤表面的最佳条件。同时，如果即便在采取了这些措施之后，手指仍没起褶皱，我们在数据库中做了标记使得在真正的测试中可以筛选出那些起褶皱程度较高的指纹。

   一些在医药领域的工作使用某些小技巧来使指纹起褶皱对正常神经功能做筛选测试[3,1,17]。他们讨论了许多促进指纹起褶皱的方法。为了收集WWF数据库的指纹（在第三部分中讨论）我们使用他们得出的一些结论使得获取的指纹有更好的褶皱效果。

  Yin et al[19]向我们展示了一种关于褶皱力学模型，影响因素包括了褶皱与褶皱之间的距离、深度及关键的按压部位，通过使用这些影响因素作为分析方程的参数。这给对于研究手指的褶皱具有重要意义。这项工作是表示如何使用薄片来模拟人的皮肤、纺织品或者苹果表皮的样本。

  Ross et al[12]给出了一个可变性薄板样条模型来测量平均形变。这个平均细节点是用来预处理样本映像中的细节点。如果人工形变能看做非线性变化的扩展形式，那么褶皱就是可以别仿真的。然而，这种情况只有在样本指纹也是湿指纹湿才是可能的。与形变模型相关的。Cappelli et al.[5]考虑了在手指接触传感器后下滑力的应用，这种力是非正交并且能够模拟细枝末节处的形变。他们在三个有不同性质的区域模拟这种方法。这个模型的挑战之一是模型参数的自动推导。

 

3.     WWF数据库

为了研究手指浸在水中的影响及起褶皱的指纹我们构建了WWF数据库。我们从30个人各自10个手指中采用多光谱指纹扫描收集指纹。我们以独立的身份来对待这300枚指纹。我们采用多光谱传感器是因为他们就是专门设计用来处理那些潮湿并带有水滴的指纹，同时它们能在手指没有接触到压板时采集指纹。多光谱扫描器能有这样的功能因为他们能收集表面以下及表面的指纹特征即便处于恶劣环境之下。而放射传感器与之有很大的区别是因为他们需要足够的潮湿度和干净的压盘[13].

  对于每只手指，在数据库中保存了两类映像：手指按压映像和空气映像。手指按压映像是常规情况手指按压在传感器面板上产生的映像。空气映像是并未接触至传感器而相隔一定距离而产生的映像。传感器从多光谱信号中产生混合灰度值图像，另外产生了能之间分辨的三原色手指图像。实际上总共有3600枚指纹映像因为每只手指都有4中模式（干燥无接触、干燥接触、潮湿无接触、潮湿接触）并且每4种模式都有3个样本。其中300个无接触样本中有185枚起褶皱的映像。被标记的指纹都有明显的褶皱。这个数据库将会在http://vision . ucsd. edu/WWF.网站上提供给研究者下载。

  为了促进手指起褶皱，我们将指纹提供者的双手浸湿在40度温水，PH为8.1的环境下达30分钟。使用Lumidigm 传感器，我们采集了3中映像—2进制指纹印象、未浸湿的三原色手指映像和浸湿后的三原色手指映像。三原色手指映像为352*544像素的图像。除了成功获得的这三种映像，我们对每个手指重复采集了3遍。

  为了抵消手指数量较少的缺点，我们从每只手的10只手指上都采集了指纹。实验中将每只手指独立对待。虽然来自同一只手的10只手指可能会有相互关系，但是这也是可以接受的，因为我们的目的是证明两种不同形态的的指纹—湿指纹和干指纹在匹配分数上前者会有所降低。

  在获得这些指纹后我们为起褶皱的指纹和未起褶皱的指纹都做了标记，300枚手指中有185枚有清晰可见褶皱，我们也观察了30个人中有10个是在浸泡了近一小时后仍未出现明显褶皱，这也是手指经过大量工作后被损害的实例。

 

4.     湿与干指纹的评估准确度

为了评估经过浸湿后手指褶皱对指纹识别的影响，我们使用了两种系统，一种是商业中使用的算法，另一种是开源算法。这两种算法都各自有两个阶段：细节监测和匹配分数。在300只手指中有185只呈现出了清晰褶皱，在这一节的实验中我们会也使用这185只手指呈现的映像。

这个开源的算法是生物特征识别标准国家研究算法（NIST），3.11版本。我们也使用细节侦察和匹配[16]。为了供应商的需求，我们不能公开商业算法的名称。

Bozorth3算法采用旋转-转换不变匹配的方法。这个算法的本质涉及到从映像中建立一系列细节特征点。每个细节点由细节之间的距离和两者之间线段间的角度描述。在探针和边缘映像之间的成对的线段是可变的如果距离的不同在阈值之内并且方向阈值也是在一个限制之内。可变的线段存贮在列表中。为了形成平移和旋转不变该方法使用成对的细节点而不是使用单独的细节点。Bozorth3算法遍历列表并且将相关的点集中在一起。他们之中的最长链就是该次匹配的得分。联系两个线段的观念与最大匹配支持算法(MPS)有些相似[7]，这使用了图论之中的术语。

在验证的过程中，我们对给定的两个指纹（需判断他们是否属于同一只手指）评估浸湿对于映像得分的影响。他们的表现由真实得分和虚假得分来判断。真实得分表示了同只手指不同样本匹配得分的等级。虚假得分是由不同手指匹配中得到。在接下来的分析中，对于185枚清晰褶皱指纹的所有可能的真实得分都会被计算得出。因为有如此之多的潜在虚假配对，我们对样本进行随机抽样。我们也会展现受试者的操作特征弧线（ROC），并且会给出同等错误率。

 

4.1   商业算法性能分析

  图2展示了商业算法的匹配分数直方图；图2a为各种情况都为干燥的条件，图2b为干燥与潮湿条件下的比较。我们注意到重叠区域的部分（潜在匹配错误区）在干燥—潮湿的条件下较高。错误率比较在图3中展示。等同错误率分别是2.29%和4.12%，后一种情况的错误率几乎是前一种的两倍。

  图2a 干燥指纹与干燥指纹比对

  图2b 干指纹—湿指纹比对

 

 图2：商业算法分数匹配曲线的直方图。注意到在图2b中有更高的重叠率。

 图3：ROC曲线—使用商业算法时的细节侦察和匹配

 

1.1   NISTNBIS算法性能分析

  图4展示了当使用MINDTCT和Bozorth3算法时匹配得分直方图；图4a为都处于干燥情况下，图4b为一个处于干燥而另一个处于潮湿环境；图5的ROC曲线图进一步巩固了湿指纹在鉴别过程中效率的降低。两种情况EER分别为2.29%和3.23%，这个说明NBIS算法在湿指纹识别上比商业识别算法有更高的效率，然而，在识别湿指纹上效率依然有降低。

图4a干燥指纹与干燥指纹比对

   图4b干指纹—湿指纹比对

图4：NISTNElS系统（MINDTCT and Bozorth3）匹配得分直方图。注意到图4b覆盖率较高

    图-5  NIST NElS系统的ROC曲线图

1.     物理作用对手指的影响

在前几个部分中我们可以看到潮湿褶皱指纹的识别率较干指纹更低。指纹褶皱现象是在映像中的可见现象，然而到底是因为这些褶皱本身使得识别率的降低还是其他物理因素而导致的？在这一节中，我们将考虑其他几种可能的导致效率降低的影响因素并且从实验中进一步定性分析。

当手指浸湿后指纹的改变是由皮肤表面的扩张造成的。在分析图1中的映像后，我们发现浸泡后起褶皱的指纹与某些特定影响有关。这些影响并不是在每个湿指纹中出现，但是他们出现的频繁程度足以然我们对其产生足够的重视。

 

1.     成块的表皮造成马蹄形失真—图6展示了成块区域在映像中导致了奇特的马蹄形的影响。反过来说，这也会导致伪细节的产生。通过我们的分析，商业算法在处理此类现象时具有更强的鲁棒性。

2.     早已存在的划痕变得更为突出—图7展示了当湿、干手指表面有划痕的情况下产生的映像。并且划痕在湿手指映像中更为明显，这也可能导致出现伪细节点，在匹配得分时会降低匹配的分数。

3.     手指脊部增稠—手指表面脊部增稠可能会引在标识细节点类型时出现一定的误差，定位细节点往往是很重要的步骤。

4.     细节点的移动— 由于手指按压在压板上产生表面轮廓的改变而引起皮肤表面的非线性的失真。这个会导致原来的细节点距离变近或变远。

 图-6 皮肤在某些部位成块而导致细节点侦测的失败。图中呈现了足够清晰的马蹄形曲线（右图中明显向下倾斜的曲线）。

  图-7 在手指浸湿情况下已有的划痕变得更为明显

6.手指的使用

  我们发现失败错误率随着手指的改变而变化，这就导致了一个很自然的问题：哪一个手指在潮湿的情况下受到更大的影响而哪只手指受到的影响更少呢？为了回答这个问题我们以手指为基础观察ROC性能的变化。300只手指无论是有明显褶皱还是在细节侦察中未使用到都被纳入了实验范围。这让我们得出结论，总体而言，哪只手指对潮湿环境“受益”最大取决于ROC的性能。对于每只手指，虚假分数是通过二次采样在3500分中筛选出来的。对湿-干指纹样本和干-干指纹样本而言真实分数的数量分别为180和540。

  从表一中我们能看出除了拇指的EER干指纹-干指纹配对较干指纹-湿指纹配对略高以外其他手指都是干指纹-湿指纹配对的EER更高。在潮湿环境下无名指和小拇指的错误率最高。这也证实了无名指在验证过程中是最不好的选择[8]。即便干指纹-干指纹的EER更低因为细节点的数量小的表面区域内更小。图-8中说明了使用拇指是最好的选择。除了对各手指ROC的分析，在得到湿指纹和我们调查分析了真实分数的变化。分数变化=干指纹-干指纹分数 – 干指纹-湿指纹分数。总体而言，所有的分数变化都是正值的并且表明了当手指浸湿了之后匹配分数会降低。我们发现平均的降低分数对无名指和食指而言影响最大，对大拇指而言影响最小。

 

7.未来工作—处理褶皱

我们将来的工作包括如下两个方向：第一个是能够简单判定手指是否过度褶皱。本质上，这个可以认为是指纹映像质量判别的一部分。另一个方向是真正提高对湿指纹的识别率。

  为了更好的解决第一个问题，我们已经做了一些判别指纹是褶皱还是非褶皱的前期实验，我们以三原色空气映像作为输入而非使用按压的指纹映像使用线性SVM做判别[6]。特征向量包括了10个子带的偏差（分为3个等级）。这个方法打算通过扑捉褶皱和非褶皱指纹的小波表示的差异来判断该手指是否起褶皱。起褶皱和未起褶皱的指纹小波频率不同是因为，褶皱频谱在高频区域。褶皱度较高的空气映像使用在干燥和潮湿的环境下作为训练样本。总共使用了555个映像。

在测试的时候，样本区分准确度能达到84.25%。

8．总结

  在这篇论文中，我们考虑了当手指浸湿起褶皱后对指纹识别效率的影响。我们介绍了一个新的数据库（WWF数据库），并且这个数据库在随后的性能分析时都被使用到。我们发现无论在商业指纹识别算法还是在开源算法中对湿指纹的识别度都有所降低。我们同时也发现褶皱的影响随手指的变化而变化；褶皱似乎对大拇指的影响较其他手指而言较低。我们还提出了对这个问题可能的解决方法并且使用生物技术在有限环境下使得识别更具鲁棒性。

 

感谢

  这项研究ONR MURI Grant#NOOO 14-08-1-0638给了我们很大的帮助和支持。

 

 

参考文献

  略。